Лошиот транскрипт обично има една или две причини, а грешките на страницата кажуваат кои се. Седум вообичаени причини за грешки во транскрипцијата на аудио, како изгледа секоја, зошто настанува и како да се поправи во снимката и во транскриптот.
Грешките во транскрипцијата на аудио ретко се случајни. Транскрипт што „Kubernetes“ го претвора во „Cooper Netties“, ги става зборовите на двајца луѓе под едно име или пишува „fifty“ каде што говорникот рекол „fifteen“ ви покажува што тргнало наопаку. Секоја причина остава своја врста грешка и секоја има своја поправка. Некои поправки припаѓаат на следната снимка, некои на транскриптот што веќе го имате.
Овој водич тргнува од грешката. Најдете ја во списокот подолу онаа што одговара на вашиот транскрипт, па одете на нејзиниот дел: како изгледа грешката, зошто настанува со прости зборови и што да се стори.
Повеќето проблеми со транскрипцијата спаѓаат во седум шеми. Поврзете го симптомот со причината:
Две причини често се натрупуваат. Далечен гостин на слушалки во бучно кафуле, кој зборува со акцент, ќе направи три вида грешки одеднаш. Прво поправете ја причината што зафаќа најмногу редови: обично тоа е звукот, потоа јазикот, потоа зборовите.
Како изгледа. Во снимка направена во кафуле, „Let's move the launch to March“ се враќа како „Let's move the lunch to March“. Збор под тресокот на врата исчезнува. Над долга тишина со брмчење на клима-уред се појавува ред што никој не го изговорил, како „Thank you for watching.“
Зошто настанува. Препознавањето говор ги погодува најверојатните зборови за звукот што го прима. Бучавата прво ги покрива тивките делови од говорот: краевите на зборовите и кусите зборови меѓу нив. Со помалку од вистинскиот сигнал, погодувањето повеќе се потпира на тоа што обично следи, а „lunch“ е почест збор од „launch“. Над постојана бучава без никаков говор, некои системи сепак создаваат готова фраза, бидејќи се тренирани да напишат нешто секогаш кога ќе чујат звук.
Поправка во снимката. Приближете го микрофонот до говорникот наместо да го зголемувате. Удвојувањето на растојанието го намалува директниот звук на говорникот за околу 6 dB, додека бучавата во просторијата останува иста, па блискоста е поважна од секоја поставка. Исклучете вентилатори и клима-уред за време на снимањето ако можете и снимајте во просторија со меки површини, а не со стакло и плочки.
Поправка во транскриптот. Во VocalStack, кај бучни снимки, наведете го јазикот што се зборува, наместо да го оставите на автоматско откривање. Тоа го вели и самата белешка во Контролната табла: наведувањето на јазикот ја подобрува точноста кај бучни снимки и силни акценти. Кај транскрипција во живо, режимот на доцнење Accuracy прифаќа малку повеќе задоцнување во замена за помалку грешки на тежок звук. Редовите во кои моторот е најмалку сигурен (под прагот на сигурност на транскрипцијата, 0.60 по основно) им се прикажуваат на слушателите како „Audio unclear“ наместо погодување и никогаш не се читаат на глас. Ред што е чисто измислица може да се скрие рачно: скриените редови се изоставени од транскриптот, извозите, титловите и плеерот.
Како изгледа. „The data shows a thirty percent rise“ станува „The data shows a dirty percent rise“. Грешките го следат еден говорник низ снимката, додека редовите на сите други се чисти.
Зошто настанува. Системот за препознавање учи како звучат зборовите од говорот врз кој е трениран. Кога говорникот изговара глас поинаку од повеќето во тој говор, на пример „th“ како „d“, системот го слуша точно она што е кажано и го избира вистинскиот збор што најдобро одговара на тој звук. Автоматското откривање на јазик може да го влоши тоа: силен акцент може да ги помести знаците кон сосема друг јазик (видете како работи автоматското откривање на јазик).
Поправка во снимката. За говор во живо додајте Reference Script пред да почнете (видете го делот за жаргон подолу), за да бидат веќе познати зборовите што говорникот веројатно ќе ги каже. Добар микрофон помага кај секој акцент, бидејќи до моторот стигнува повеќе од секој звук.
Поправка во транскриптот. Наведете го јазикот што се зборува за таа снимка. Потоа користете го јазичето Fix: Mark uncertain words ги боја и подвлекува зборовите за кои моторот не бил сигурен, а низ несигурните сегменти можете да поминувате еден по еден наместо да читате сè одново. Таму каде што моторот разгледувал други зборови, ги нуди како предложени поправки, па исправањето на „dirty“ во „thirty“ обично е еден клик. Play just this word ви дозволува да проверите со уво пред да промените нешто.
Како изгледа. Еден говорник прашува „So we agree on Tuesday?“, а друг се вмешува со „No, Thursday works“. Транскриптот прикажува еден ред под Speaker 1: „So we agree on Tuesday no Thursday works.“ Или спротивно: едно лице што се вжарило на средина на состанокот се појавува како Speaker 1 и Speaker 3.
Зошто настанува. Одоздола работат две одделни работи. Препознавањето говор ги пишува зборовите; дијаризацијата на говорници одлучува кој кога зборувал, според тоа како звучи секој глас. Повеќето системи му даваат на секој дел од звукот по еден говорник, па кога двајца зборуваат истовремено, еден губи. Промена во нечиј глас (возбуда, замор, поголемо растојание од микрофонот) може да го направи да изгледа како ново лице. Дијаризација на говорници наспроти препознавање говор ги објаснува двете работи детално.
Поправка во снимката. Дајте му на секој свој микрофон. Таа една промена прави повеќе за повеќе говорници од која било поставка. На панел или состанок со прашања од публиката, замолете го модераторот да го повтори секое прашање во својот микрофон пред да се одговори.
Поправка во транскриптот. Изберете ја поставката за ознаки на говорници: When Needed (основна) ги означува редовите штом ќе се чуе втор глас, On го означува секој ред, Off не означува ниеден. Именувајте го секој говорник за време на снимањето или потоа. Името е слој над зборовите, па никогаш не го менува текстот и важи за тоа лице во секоја снимка на транскрипцијата. Зачувајте говорник што го снимате често, и подоцнежните транскрипции ќе го препознаат по име. Ред што спојува две реченици може да се подели на два: допрете го празното место каде што почнува новиот ред.
Како изгледа. „We deployed it on Kubernetes“ станува „We deployed it on Cooper Netties“. „Ms Nguyen“ станува „Miss Win“. Име на лек се претвора во три кратки англиски зборови. Остатокот од реченицата е во ред.
Зошто настанува. Системот може да напише само зборови што ги знае, а името често се појавува еднаш, без ништо околу него по што би можело да се предвиди. Кога никогаш не го видел зборот, избира обични зборови што звучат најблиску. Ова е најтешкиот случај за точна транскрипција на технички термини: реченицата не дава никаква индиција, па никаков контекст не помага.
Поправка во снимката. Дајте му на системот зборовите пред говорникот да ги изговори. Во VocalStack тоа е Reference Script: додајте го текстот или слајдовите на говор во живо, или список на имиња и термини, пред да почнете, и имињата и термините од него победуваат над она што е погрешно слушнато. За време на говорот скриптата го следи транскриптот како телесуфлер. Секој збор што го поправила скриптата е означен со SCRIPT меѓу поправките и може да се врати ако говорникот навистина рекол нешто друго.
Поправка во транскриптот. Поправете го името еднаш, а остатокот проверете го со пребарување. Додека транскрипцијата е во живо, поправките стигнуваат до секој слушател, на секој јазик на кој чита, а секоја поправка е наведена и може да се врати. Извозите (SRT, PDF, Excel, JSON) ги вклучуваат поправките, па титловите и документите го носат исправеното пишување.
Како изгледа. Говорот почнува со поздрав на шпански и продолжува на англиски, а англискиот излегува како бесмислици што личат на шпански. Или неколку реда во средината на англиски транскрипт се појавуваат на сроден јазик. Некои системи, поставени на погрешен јазик, пишуваат груб превод наместо она што е кажано.
Зошто настанува. Кога не е наведен јазик, системот мора да го открие од звукот, често од првите неколку секунди. Поздрав, цитат или силен акцент можат да го насочат погрешно. Откако ќе избере погрешен јазик, секој збор во тој дел е погрешен заедно.
Поправка во снимката. Ако снимката е на еден јазик, наведете го. Оставете го откривањето вклучено кога навистина се зборуваат два или повеќе јазици, за секој дел да се транскрибира на својот јазик; наведувањето на еден би го присилило другиот во него. Кај транскрипција во живо јазикот може да се промени додека трае, а промената важи веднаш.
Поправка во транскриптот. Ред слушнат на погрешен јазик не може да се поправи збор по збор, бидејќи ништо во него не е точно. VocalStack може повторно да го транскрибира редот: изберете го јазикот на кој навистина е изговорен и аудиото на редот се чита одново на тој јазик. Резултатот го заменува редот како обична поправка, со истото враќање како и секоја друга.
Како изгледа. „The fees went up“ станува „The thieves went up“. „Free“ и „three“ си ги менуваат местата. Грешките се распрснати низ целата снимка и се најлоши кај далечниот говорник на повикот.
Зошто настанува. Многу од гласовите што ги разликуваат „f“, „s“ и „th“ се високо во опсегот на фреквенции. Телефонската линија не носи ништо над околу 3.4 kHz, а Bluetooth-слушалките често го префрлаат својот микрофон во режим за повик со многу потесен опсег. Компресијата со низок битрејт во видеоповиците отстранува уште повеќе. Системот прима аудио во кое тие гласови веќе ги нема и погодува меѓу зборови што сега звучат исто.
Поправка во снимката. Користете жичен микрофон или слушалки чиј микрофон останува во режим на полн квалитет. Ако можете, снимајте го секој далечен говорник на неговата страна, наместо да го снимате повикот. За настан, земете го сигналот од аудио-миксетата наместо од микрофон на лаптоп или телефон во просторијата: поставувањето во живо на VocalStack зема еден кабел од миксетата, а вградениот микрофон на телефонот фаќа повеќе од просторијата.
Поправка во транскриптот. Аудио што никогаш не е снимено не може да се врати, ниту од машина ниту од човек. Користете ги ознаките за несигурни зборови за да ги најдете оштетените делови, пуштете го редот за проверка и поправете што можете да чујете. Таму каде што никој не може да разбере што е кажано, скривањето на редот е поискрено од оставањето погодување.
Како изгледа. „Fifteen“ станува „fifty“. „One twenty“ станува „120“ кога говорникот мислел на еден долар и дваесет центи. „The third of the fourth“ излегува како датум во погрешен редослед. Секоја грешка е еден збор, а секој друг збор во реченицата е точен.
Зошто настанува. „Fifteen“ и „fifty“ се разликуваат главно по тоа кој слог е нагласен, а таа разлика е првата што ја губи бучавата или брзиот говорник. Изговорените броеви ги изоставуваат и работите што им требаат на напишаните: единици, децимални знаци, редослед на ден и месец. Системот мора да го погоди форматот, а неговото погодување е најчестиот, не вашиот.
Поправка во снимката. Замолете ги говорниците да ги кажуваат бројките целосно, со единицата: „one dollar twenty“, „the fifteenth of March“. За подготвен говор ставете ги бројките во скриптата.
Поправка во транскриптот. Проверете со уво секоја важна бројка пред транскриптот да се цитира, испрати или објави. Погрешен број се чита како точен, па ништо на страницата не ве предупредува. Што мери стапката на грешки во зборови и што ја промашува објаснува зошто една погрешна бројка чини повеќе од својот дел во стапката на грешки.
Кога транскриптот има многу проблеми, поправајте ги по овој редослед, за ниедна поправка да не ја поништи следната:
Потоа олесете ја следната снимка: микрофон по говорник, наведен јазик и скрипта со имињата во неа. Повеќето грешки во транскрипцијата на аудио се одлучуваат пред некој да притисне снимање.
За рочиште, медицински преглед или нешто каде еден погрешен збор има последици, нека човек го провери транскриптот пред употреба, без разлика кој систем го направил. За да видите кои од овие грешки ги прави вашето аудио, пробајте една снимка во Контролната табла.